Ученые НИЯУ МИФИ научили ИИ «думать о мышлении»

Исследователи из Национального исследовательского ядерного университета «МИФИ» (НИЯУ МИФИ) - студент Сергей Горбунов и страший преподаватель кафедры кибернетики Роман Душкин представили прорывную архитектуру работы с большими языковыми моделями (БЯМ), которая позволяет ИИ анализировать человеческие разговоры с глубиной, недоступной ранее. Результаты исследования, опубликованные в научном журнале «Парадигма», показывают, что предложенный метод «метакогнитивной промпт-инженерии» значительно превосходит традиционные подходы.

Проблема «поверхностного» анализа

Современные нейросети, такие как GigaChat или GPT, уже умеют неплохо пересказывать тексты. Однако, когда дело доходит до глубокого анализа диалогов — например, выявления скрытых мотивов собеседников, причин конфликтов или когнитивных искажений — стандартные методы дают сбой. Обычный «прямой промптинг» (когда модели просто задают вопрос: «проанализируй этот разговор») часто приводит к галлюцинациям и поверхностным выводам, неспособным уловить психологическую подоплеку общения.

Решение: четыре уровня «цифрового мышления»

Ученые из МИФИ предложили подход, который имитирует рефлексивный процесс человеческого эксперта. Вместо одного запроса система последовательно проходит четыре уровня когнитивной обработки:

Структурный анализ: ИИ выделяет факты, участников и темы.

1. Процессуальный анализ: Определяются стратегии аргументации (давление, сотрудничество) и точки конфликтов.
2. Глубинная аналитика: Модель ищет скрытые мотивации, когнитивные искажения и повторяющиеся шаблоны поведения.
3. Синтез: На основе собранных данных формируются практические рекомендации и превентивные стратегии.

Ключевая особенность архитектуры — передача контекста между уровнями. Промпт каждого следующего этапа опирается на результаты предыдущего, что позволяет модели не «терять нить» и снижает риск фактических ошибок.

Цифры, которые говорят сами за себя

Эксперимент проводился на базе модели GigaChat-Pro. Исследователи сравнили «прямой промптинг» с предложенной агентной системой на выборке из 10 разноплановых диалогов: от маркетинга и IT-разработки до медицины и управления кризисами.

Результаты оказались впечатляющими:

• Точность выявления инсайтов выросла на 28% (0,925 против 0,723).
• Полнота анализа увеличилась на 18,1% (0,925 против 0,783).
• Качество выявления скрытых паттернов (мотивов и искажений) выросло более чем вдвое — с 0,41 до 0,92 (в нормированном виде).

Как отмечают авторы, если стандартный ИИ в конфликтном диалоге разработчиков видел лишь «обвинения» и советовал абстрактно «улучшить документацию», то новая система точно определила когнитивное искажение «предвзятость подтверждения» у обоих участников и предложила конкретные превентивные меры, вроде внедрения автоматического управления зависимостями.

Цена вопроса

Платой за качество стало время. Если прямой промптинг обрабатывает диалог за ~3,5 секунды, то метакогнитивный агент тратит около 13,5 секунд. Однако для задач ретроспективного анализа (например, разбора прошедших совещаний или консультаций), где не требуется мгновенная реакция, этот компромисс вполне оправдан.

Универсальность и перспективы

Важным достижением является универсальность метода. Архитектура не требовала дообучения модели под конкретную тему и показала стабильные результаты во всех предметных областях — от технических споров до медицинских консультаций.

«Структурированная декомпозиция задачи — это критический фактор повышения качества аналитических выводов ИИ, — отмечают авторы. — Мы не просто учим модель отвечать, мы учим её думать о собственном мышлении».

Ученые планируют масштабировать исследование на выборке из 500 диалогов. В перспективе подобные системы могут стать незаменимым инструментом для бизнес-аналитики, HR и медиации, позволяя извлекать скрытые организационные знания из массивов неструктурированных текстовых данных.